R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据

此分析的目的是构建一个过程，以在给定时变波动性的情况下正确估计风险价值。风险价值被广泛用于衡量金融机构的市场风险。我们的时间序列数据包括 1258 天的股票收益。

介绍

为了解释每日收益率方差的一小部分，我们使用 Box-Jenkins 方法来拟合自回归综合移动平均 (ARIMA) 模型，并测试带下划线的假设。稍后，当我们寻找替代方案、最佳拟合分布形式时，我们会检查收益率的正态性。我们使用广义自回归异方差 (GARCH) 方法估计残差的条件方差，并将其与 delta-normal 方法进行比较。

相关视频

数据

出于建模过程的目的，我们每天收集了 5 年（2013 年 2 月至 2018 年 2 月）的花旗公司股票（共 1259 个观察样本）。

# 加载库
library(tidyverse)


# 加载数据

read.csv('stock.csv', header = T)



# 每只股票一栏


plot( y = stok$C , geo = 'line')

红线表示此特定时间范围内的平均收盘价。

非平稳过程具有随时间变化的均值、方差和协方差。使用非平稳时间序列数据会导致预测不可靠。平稳过程是均值回归的，即它在具有恒定方差的恒定均值附近波动。在我们的例子中，平稳性是指平稳时间序列满足三个条件的弱平稳性：

为了解决这个问题，我们主要使用差分法。一阶差分可以描述为

对于平稳性变换，我们更倾向于计算简单的日收益，表示如下

ret = diff(stoks$C) / socs$C\[-legth\]
 
plot(x = 1:length, y = res )

为了验证收益率的平稳性，我们使用了 Dickey-Fuller 检验，其中零假设表示非平稳时间序列。